Нейросети - это не только генерация картинок по текстовому описанию (привет ChatGPT). Сегодня искусственный интеллект применяют во многих областях, включая в том числе медицину.
Сегодня мы рассмотрим на практике, как нейронные сети помогают врачам в поставлении диагноза и какие еще задачи решает искусственный интеллект.
Точный диагноз является ключевым фактором, определяющим подходы и масштабы последующего лечения. Постановка диагноза представляет собой сложную задачу для врача, требующую анализа большого объема данных:
- результаты первичного осмотра;
- информация, полученная из беседы с пациентом при сборе анамнеза;
- данные лабораторных и инструментальных исследований;
- мнения других специалистов.
Какие факторы усложняют процесс диагностики?
- Изменчивость заболевания. Болезни могут развиваться и изменяться со временем, что заставляет врача оперативно реагировать на состояние пациента и принимать быстрые решения.
- Толкование результатов исследований. При постановке диагноза необходимо учитывать параметры тестов, такие как чувствительность и специфичность. Визуальные исследования (например, рентген, КТ, МРТ, УЗИ) могут интерпретироваться по-разному разными специалистами.
- Организация диагностического процесса. Время, за которое врач получает результаты тестов, может сильно варьироваться. Кроме того, форма представления отчетов также влияет на интерпретацию данных.
- Ограниченные возможности человека. Врачу сложно поддерживать постоянную концентрацию и продуктивность в течение длительного времени. Человеческий фактор может негативно сказаться на эффективности выполнения клинических задач.
На помощь врачам в решении перечисленных проблем приходят современные технологии, базирующиеся на искусственном интеллекте (ИИ).
Искусственный интеллект — это область компьютерных наук, использующая технологические возможности для выполнения интеллектуальных функций. Машины обучаются решать задачи, которые обычно требуют человеческого мышления, способности к обучению и сохранению знаний.
Основные ветви ИИ включают:
- Машинное обучение (Machine Learning, ML). Алгоритмы машинного обучения анализируют большие объемы данных, позволяя исследователям выбирать функции и модели для обработки информации. Это помогает выявлять закономерности в исследуемых областях и принимать более обоснованные решения.
- Глубокое обучение (Deep Learning, DL). Это специализированная форма машинного обучения, ориентированная на автоматическое распознавание и классификацию объектов. ИИ может самостоятельно обучаться и улучшать точность результатов без непосредственного вмешательства человека.
- Обработка естественного языка (Natural Language Processing, NLP). Технологии NLP позволяют ИИ распознавать и интерпретировать человеческий язык в письменной и устной формах. Благодаря этому искусственный интеллект лучше понимает текстовую и речевую информацию, способен выполнять переводы и генерировать сообщения.
ИИ помогает восполнять дефицит человеческих ресурсов: он может непрерывно обрабатывать большие объемы данных и оказывать поддержку врачам в любое время суток.
Использование медицинских данных для обучения ИИ
Чтобы искусственный интеллект мог выявлять признаки заболеваний, необходимо обучить его на основе достоверных медицинских данных.
Источниками таких данных являются:
- электронные медицинские карты;
- клинические лабораторные исследования;
- генетическая информация;
- результаты электрофизиологических исследований, таких как электроэнцефалография (ЭЭГ) и электрокардиография (ЭКГ);
- диагностические изображения.
Перед обучением эти данные аннотируются специалистами. Врачи анализируют диагностические снимки, данные электрофизиологических и генетических исследований и предоставляют заключения, которые служат ориентиром для ИИ. Диагноз может быть представлен в виде текстового описания (промта) или выделенной на изображении патологической области. Затем аннотированные данные обрабатываются алгоритмами машинного обучения.
Обработка неструктурированных данных
Медицинская документация часто представляет собой неструктурированные данные, которые изначально не поддаются простой обработке искусственным интеллектом. Для распознавания и структурирования такой информации применяется обработка естественного языка (NLP).
Пример успешного применения NLP
Испанская компания Savana разработала клиническую технологию EHRead, основанную на методах машинного обучения. Алгоритмы NLP, используемые в EHRead, позволяют извлекать ценную информацию из электронных медицинских записей. Для этого текст разбивается на отдельные сегменты, устраняется неоднозначность аббревиатур и проводится нормализация текста. Это позволяет преобразовать неструктурированные данные в структурированную форму, пригодную для анализа и обучения ИИ.
Как новые технологии ускоряют постановку диагноза
Искусственный интеллект (ИИ) имеет возможность быстро и точно обнаруживать и классифицировать патологические образования, анализируя изображения, полученные с помощью различных инструментальных методов исследования. Это особенно важно для диагностики доброкачественных и злокачественных опухолей.
Клиническое применение ИИ охватывает следующие виды инструментальных исследований:
Колоноскопия
ИИ помогает определять злокачественность полипов в прямой кишке. Исследователи из Баптистского медицинского центра Уэйк Форест отмечают, что сочетание ИИ и традиционной колоноскопии эффективно: алгоритмы способны идентифицировать мелкие образования как нераковые, что экономит время и ресурсы.
Скрининговая маммография
Алгоритмы машинного обучения облегчают обнаружение патологических новообразований в молочной железе, включая микрокальцинаты — небольшие отложения кальция в ткани. Сервис «Маммография» от СберМедИИ достоверно выявляет наличие злокачественных опухолей в 93% случаев и их отсутствие в 70% случаев, что помогает выбрать правильную тактику ведения пациента.
Визуализация печени
ИИ применяется для диагностики очаговых поражений печени, признаков жировой болезни, а также различения опухолей. Публикация в World Journal of Gastroenterology показывает, что ИИ по точности обнаружения стадии фиброза (разрастание соединительной ткани) приближается к инвазивным методам, таким как биопсия печени. В будущем это позволит оценивать состояние печени без необходимости забора ткани органа.
Традиционная рентгенография
Алгоритмы ИИ улучшают качество рентгеновских изображений, изменяя резкость и контрастность, устраняя артефакты. Это позволяет снизить дозу облучения для пациента, так как нет необходимости делать повторный снимок для точной диагностики.
Торакальная визуализация
Модели ИИ способны обнаруживать мелкие узловые новообразования в легких, которые могут быть пропущены специалистом при визуальном осмотре снимка. Компания СберМедИИ разработала решение для ретроспективного анализа снимков, связанных с COVID-19. Сервис «КТ Легких» проводит ревизию томограмм, чтобы выявить признаки онкологических заболеваний органов дыхания.
Что уже умеет нейросеть
Нейронная сеть (Artificial Neural Network, ANN) объединяет возможности машинного обучения и биологическую концепцию архитектуры человеческого мозга. По своей структуре она напоминает сеть нейронов и состоит из нескольких слоев:
- Входной слой: сюда поступает информация из внешних источников.
- Скрытые слои: здесь происходит обработка и классификация данных; количество скрытых слоев может варьироваться.
- Выходной слой: генерируется ответ на поступившие данные.
Нейросети способны анализировать электрофизиологические сигналы, такие как данные электрокардиографии (ЭКГ), и выявлять признаки сердечно-сосудистых заболеваний.
Примеры применения ИИ для анализа ЭКГ
- Сервис «ЭКГ» от СберМедИИ: ускоряет обработку электрокардиограмм для пациентов в тяжелом состоянии. Врачи могут проводить онлайн-консультации для правильного определения дальнейших реанимационных мероприятий.
- Исследование в International Scholarly Research Notices: описывает нейронную сеть, классифицирующую нормальные и ишемические (с недостаточным кровоснабжением) участки ЭКГ.
- Шэньчжэньский институт передовых технологий: разработал нейросеть для диагностики признаков пароксизмальной аритмии — приступообразного учащения сердечного ритма.
Другие применения нейросетей
Умный помощник врача «ТОП-3» от СберМедИИ: помогает в постановке диагноза. Математическая модель анализирует историю болезни пациента и предлагает три наиболее вероятных диагноза, соответствующих номенклатуре МКБ-10.
Алгоритм работы сервиса:
- Врач загружает сведения электронной медицинской карты или анамнеза.
- ИИ сравнивает входные данные с имеющимися анамнезами с определенным диагнозом.
- Алгоритм выдает три наиболее вероятных диагноза.
Стэнфордский университет: исследователи применили нейросети для диагностики рака кожи. Обучение проводилось на клинических изображениях, включающих 2032 различных кожных заболевания. Эффективность алгоритма тестировалась на биопсированных изображениях. В конкурсе на постановку диагноза участвовал 21 сертифицированный дерматолог.
Результаты:
ИИ показал точность 72,1 ± 0,9% в трехсторонней классификации (доброкачественные, злокачественные и неопухолевые), что превзошло результаты дерматологов (максимум 66,0% и 65,6%).
Доступная первичная диагностика кожи
ИИ также помогает пациентам самостоятельно выявлять подозрительные признаки на коже. Мобильное приложение AI Skin от СберМедИИ определяет вероятность одного из 7 типов кожных высыпаний. Пользователь загружает фотографию кожи для анализа нейросетью.
Заключение
Нейросети уже активно применяются в медицине для ускорения и повышения точности диагностики. Они анализируют сложные данные, такие как ЭКГ и изображения кожи, помогая врачам в постановке диагнозов и выборе тактики лечения.
Доступные технологии, такие как мобильные приложения, позволяют пациентам самостоятельно мониторить свое здоровье и вовремя обращаться за медицинской помощью.